Tipos de filme de Julia Roberts

Neste relatório, iremos explorar os dados da atriz Julia Roberts. Os dados foram extraídos do RottenTomatoes.

Julia Fiona Roberts (Smyrna, 28 de outubro de 1967) é uma atriz e produtora norte-americana, vencedora do Oscar de Melhor Atriz por seu papel em Erin Brockovich, também atuou em Pretty Woman pelo qual se tornou conhecida em Hollywood.

## ANTES DE USAR
# Para criar data/movies.csv
import_data("julia_roberts") # ou com o ator/atriz que você escolher

NAs introduzidos por coerção

filmes = read_imported_data()

O objetivo aqui, é fazer um agrupamento dos filmes da atriz levando em consideração duas variáveis: bilheteria e avaliação.
Primeiro, vamos analisar separadamente cada uma dessas variáveis, utilizaremos também o ano de lançamento de cada filme para observar a variação durante o tempo.

Bilheteria

p = filmes %>% 
    ggplot(aes(size = 3, x = ano, 
               y = bilheteria, 
               text = paste("Filme:",filme,
                            "\nBilheteria:",
                            bilheteria,"m",
                            "\nAvaliação:", avaliacao,
                            "\nAno:",ano))) +
    geom_point(color = paleta[1]) +
    labs(title = "Variação da bilheteria ao longo dos anos", y = "Bilheteria", x = "Ano de lançamento")
ggplotly(p, tooltip = "text")

Há uma variação no faturamento dos filmes em que Julia Roberts atuou, o que mais se destacou nesse aspecto foi Ocean’s Eleven com bilheteria de 183.4 m. Não é possível perceber uma associação entre bilheteria e o ano, pois em alguns anos a bilheteria cai em comparação ao anterior, e logo após, no ano seguinte, o faturamente cresce.

p = filmes %>% 
    ggplot(aes(x = "", y = bilheteria, text = paste("Filme:",filme,
                            "\nBilheteria:",
                            bilheteria,"m"))) + 
    geom_jitter(width = .05, alpha = .4, size = 3, color = paleta[5]) + 
    labs(x = "", y="Bilheteria")
ggplotly(p, tooltip="text")

Observando esse gráfico é mais fácil verificar em quais grupos os filmes se encaixariam. Há diferentes abordagens que poderíamos tomar, acredito que separar os filmes nos seguintes grupos: bilheteria abaixo de 50, de 50 à 100, de 100 à 150 e acima de 150 (apenas o filme Ocean’s Eleven), seria uma boa abordagem.

Avaliação

p = filmes %>% 
    ggplot(aes(size = 3, x = ano, 
               y = avaliacao, 
               text = paste("Filme:",filme,
                            "\nBilheteria:",
                            bilheteria,"m",
                            "\nAvaliação:", avaliacao,
                            "\nAno:",ano))) +
    geom_point(color = paleta[1]) +
    labs(title = "Variação da avaliação ao longo dos anos", y = "Avaliação", x = "Ano de lançamento")
ggplotly(p, tooltip = "text")

Entre 2003 e 2006 a avaliação dos filmes crescreu consideravelmente, porém, a partir de 2009, os filmes não tiveram boa avaliação, em comparação aos anos anteriores, mas, logo em 2011, os filmes lançados voltaram a serem bem avaliados. Não existe nenhum padrão, a variação da avaliação é muito alta ao longo dos anos.

p = filmes %>% 
    ggplot(aes(x = "", y = avaliacao, text = paste("Filme:",filme,
                            "\nAvaliação:",
                            avaliacao,"m"))) + 
    geom_jitter(width = .05, alpha = .4, size = 3, color = paleta[5]) + 
    labs(x = "", y="Bilheteria")
ggplotly(p, tooltip="text")

De acordo com o gráfico acima, ainda assim, não fica muito clara a definição dos grupos, mas poderíamos separar em: filmes com avaliação abaixo de 40 e acima de 40.

Agrupamento

Agora utilizando as duas variáveis disponíveis, avaliação e bilheteria, vamos observar como os filmes se dividem melhor, em quantos grupos.

Normalização das variávies

Para tentar agrupar os filmes em grupos, é importante perceber que as escalas de bilheteria e avaliação são bem diferentes. Então, abaixo é feito a normalização das variáveis.

m_transformado = filmes %>% 
    mutate(bilheteria_log = as.vector(scale(log10(bilheteria))), 
           avaliacao_scaled = as.vector(scale(avaliacao)))
summary(m_transformado %>% select(bilheteria_log, avaliacao_scaled))

 bilheteria_log     avaliacao_scaled  
 Min.   :-1.38709   Min.   :-2.03083  
 1st Qu.:-0.98944   1st Qu.:-0.74741  
 Median : 0.07942   Median : 0.06543  
 Mean   : 0.00000   Mean   : 0.00000  
 3rd Qu.: 0.65103   3rd Qu.: 0.62158  
 Max.   : 1.80801   Max.   : 1.30607  

Escolhendo o K

É utilizado o “Gap Static Calculation” para escolher o melhor valor para o k.

plot_clusgap = function(clusgap, title = "Gap Statistic calculation results") {
    require("ggplot2")
    gstab = data.frame(clusgap$Tab, k = 1:nrow(clusgap$Tab))
    p = ggplot(gstab, aes(k, gap)) + geom_line() + geom_point(size = 5)
    p = p + geom_errorbar(aes(ymax = gap + SE.sim, ymin = gap - SE.sim), width = .2)
    p = p + ggtitle(title)
    return(p)
}

gaps <- m_transformado %>% 
    select(bilheteria_log, avaliacao) %>% 
    clusGap(FUN = kmeans, nstart = 20, K.max = 8, B = 200)

Clustering k = 1,2,..., K.max (= 8): .. done
Bootstrapping, b = 1,2,..., B (= 200)  [one "." per sample]:
.................................................. 50 
.................................................. 100 
.................................................. 150 
.................................................. 200 

plot_clusgap(gaps)

Agrupamento K-means

Com a execução do Gap Statics é possível perceber que o melhor valor para o K é 5. Logo, assumindo assim esse valor, executamos o algoritmo do k-means.

set.seed(12345)
n_clusters = 5
# O agrupamento de fato:
cluster = m_transformado %>% 
    select(bilheteria_log, avaliacao_scaled) %>% 
    kmeans(centers = n_clusters, nstart = 20)
agrupado = cluster %>% 
    augment(m_transformado)
#p = agrupado %>% 
#    ggplot(aes(x = avaliacao_scaled, y = bilheteria_log, color = .cluster))  + 
#    geom_point(size = 3)
p1 = agrupado %>% 
    ggplot(aes(x = avaliacao, y = bilheteria, color = .cluster, label=filme))  + 
    geom_point(size = 3)+
    scale_y_log10()
ggscatter(agrupado, x="avaliacao", y="bilheteria", color=".cluster")+
    stat_chull(aes(fill = .cluster), alpha=0.3, geom="polygon")+
    xlab("Avaliação")+
    ylab("Bilheteria")

ggplotly(p1)

Podemos perceber a presença de 5 grupos de filmes da atriz Julia Roberts, vamos chama-lós de:

• Bem avaliados e bem faturados: Grupo em cor vermelho, número 1. Aqui neste grupo temos os filmes com as melhores avaliações e também as maiores bilheterias. São filmes de muito sucesso que são caracterizados pelo drama e ação.

• Comédia Romântica Fracassadas: Grupo em cor mostarda, número 2. Os filmes neste grupo são todos do gênero comédia romântica. Eles não são bem sucedidos, pois um deles possui a pior avaliação em comparação com os demais, além disso a bilheteria foi muito baixa.

• Romance: Grupo em verde, número 3. Os filmes neste grupo são caracterizados pelo romance. Possuem bilheteria entre 50 e 120. Não foram muito bem avaliados.

• Comédia e Drama: Grupo em azul, número 4. Os filmes deste grupo tiveram avaliação bem parecidas entre 60 e 70, e bilheteria muito baixa, menor que 50. Não foram bem vendidos, mas são ótimos filmes.

• Avaliados na média: Grupo em rosa, número 5. Aqui neste grupo os filmes tiveram avaliação na média, acredito que agradaram a metade do público e a outra metade não.